Ircam-Centre Pompidou

Recherche

  • Recherche simple
  • Recherche avancée

    Panier électronique

    Votre panier ne contient aucune notice

    Connexion à la base

  • Identification
    (Identifiez-vous pour accéder aux fonctions de mise à jour. Utilisez votre login-password de courrier électronique)

    Entrepôt OAI-PMH

  • Soumettre une requête

    Consulter la notice détailléeConsulter la notice détaillée
    Version complète en ligneVersion complète en ligne
    Version complète en ligne accessible uniquement depuis l'IrcamVersion complète en ligne accessible uniquement depuis l'Ircam
    Ajouter la notice au panierAjouter la notice au panier
    Retirer la notice du panierRetirer la notice du panier

  • English version
    (full translation not yet available)
  • Liste complète des articles

  • Consultation des notices


    Vue détaillée Vue Refer Vue Labintel Vue BibTeX  

    %0 Conference Proceedings
    %A Lartillot, Olivier
    %A Dubnov, Shlomo
    %A Assayag, Gérard
    %A Bejerano, Gill
    %T Automatic Modeling of Musical Style
    %D 2001
    %B International Computer Music Conference
    %C La Havane
    %P 447-454
    %F Lartillot01a
    %K Unsupervised learning
    %K Musical style
    %K Compression
    %K Predition Suffix Tree (PST)
    %K Probabilistic Finite Automata (PSA)
    %K Lempel-Ziv (LZ)
    %K Stochastic
    %K Quantization
    %K Constraints
    %K Loop
    %K Redundancy
    %K Musical Parameters
    %K Markov predictor.
    %X In this paper, we describe and compare two methods for unsupervised learning of musical style, both of which perform analyses of musical sequences and then compute a model from which new interpretations / improvisations close to the original's style can be generated. In both cases, an important part of the musical structure is captured, including rhythm, melodic contour, and polyphonic relationships. The first method is a drastic improvement of the Incremental Parsing (IP) method, a method derived from compression theory and proven useful in the musical domain. The second one is an application to music of Prediction Suffix Trees (PST), a learning technique initially developed for statistical modeling of complex sequences with applications in linguistics and biology.
    %1 6
    %2 3
    %U http://articles.ircam.fr/textes/Lartillot01a

    © Ircam - Centre Pompidou 2005.